Expertensysteme / XPS
|
|
- Philipp Fürst
- vor 5 Jahren
- Abrufe
Transkript
1 Expertensysteme / XPS Alexander Pentzlin und Thiemo Bannasch KI II Claes Neuefeind
2 Inhalt Was ist ein Expertensystem Geschichtlicher Hintergrund Prinzip eines XPS Komponenten Realisierungsprinzipien fallbasiertes Schließen regelbasiertes Schließen Entscheidungsbäume Anwendung und Aufgaben von XPS Nachteile Fazit 2
3 Was ist ein Expertensystem System, das komplexe Probleme erkennt, indem es Handlungsempfehlungen aus einer Wissensbasis ableitet grundlegende Frage: in wieweit kommt es zu einer Schlussfolgerung und ist diese auch zutreffend? Bsp: medizinische Diagnose bekannte Systeme: CLIPS, Prolog. 3
4 Was ist ein Expertensystem 4
5 Geschichtlicher Hintergrund Beginn: 1960 Edward Feigenbaum ursprüngliche Idee: General Problem Solver Software zur Realisierung einer allgemeinen Problemlösungsmethode sollte unabhängig vom Problembereich Lösungen generieren Idee wurde abandoniert, da das Ziel zu hoch gesteckt war. 5
6 Prinzip eines XPS Grundlage: Wenn Dann Beziehungen 6
7 Komponenten Wissenserwerbskomponente Problemlösungskomponente Erklärungskomponente Wissensbasis 7
8 Komponenten Expertensysteme reproduzieren nicht nur die Wissensbasis, sondern sollen auch zu weiteren Schlussfolgerungen kommen 8
9 Realisierungsprinzipien fallbasiertes Schließen 9
10 Realisierungsprinzipien Wissensbasis ist eine Falldatenbank, welche zu konkreten Problemstellungen eine Lösung beschreibt Suche nach einem vergleichbaren Fall um die Lösung auf den aktuellen zu übertragen Hauptproblem: Konzept der Ähnlichkeit Bsp: medizinische Diagnose fallbasiertes Schließen Beispiel in C++ 10
11 Realisierungsprinzipien regelbasiertes Schließen 11
12 Realisierungsprinzipien regelbasiertes Schließen Bsp.: Clips CLIPS (C Language Integrated Production System) datengetriebenes (vorwärtsverkettendes) Produktionssystem, mit dem Expertensysteme (XPS) erstellt werden können 1985 von der NASA entwickelt, in ISO C geschrieben 1986 wurde CLIPS auch öffentlich verfügbar / Open Source Mit CLIPS können Expertensysteme im klassischen Sinn erstellt werden 12
13 Realisierungsprinzipien Clips Homepage Clips Dokumentation 13
14 Realisierungsprinzipien praktisches Beispiel in Clips 14
15 Realisierungsprinzipien Entscheidungsbäume werden bei Klassifizierungsproblemen eingesetzt sind eigenständig zu Lernprozessen in der Lage induktives Lernen auf basis einer Beispielmenge Beispiel besteht aus einer Reihe von Attributen (z.b. eines Patienten) und deren konkreten Ausprägungen 15
16 Realisierungsprinzipien 16
17 Realisierungsprinzipien Entscheidungsbäume bei der Verarbeitung wird ein Pfad durchlaufen: die einzelnen Attribute sind Knoten, die Ausprägungen sind Kanten solange, bis ein Blatt gefunden wird. Dieser gibt die Klasse des beschriebenen Objektes an möglichst kleine Bäume sind das Ziel, die Schwierigkeit liegt in der Auswahl der Attribute 17
18 Anwendung und Aufgaben von XPS Anwendung: werden gebraucht, wo Experten fehlen oder die Probleme so komplex und so viele Daten vorhanden sind, dass die Verarbeitungskapazität menschlicher Experten überfordert ist. ist ein Bereich nicht sehr formal durchdrungen, sondern von empirischem Wissen beherrscht, so wird ein Problembereich sehr diffus und nicht überschaubar 18
19 Anwendung und Aufgaben von XPS Aufgabenklassen: Dateninterpretation: Analyse von Daten mit dem Ziel der Zuordnung zu Objekten Bsp: Erkennung akustischer Sprache (Hearsay), Proteinstrukturbestimmungen aus Röntgendaten, militärische Aufklärung Überwachung: Interpretation von Daten mit Aktionsauslösung in Abhängigkeit vom Ergebnis Bsp: Überwachung eines Kernreaktors Prognose: Vorhersage und Bewertung erreichbarer Zustände zeitvarinanter Systeme Bsp: Beurteilung von Erdbebenauswirkungen (Speril), Hochwasservorraussage 19
20 Nachteile können kontraproduktiv werden, wenn der Anwender ohne intelligente Betreuung sich nur auf das System verlässt und keine Alternativen überprüft Datenumfang kann sehr komplex sein, weswegen dem System nicht alle Fälle bekannt sind ein Expertensystem kann nicht die vorgegeben Parameter in Frage stellen (Closed World assumption) Erfindungen und Innovationen erfordern sinnvolle Kombinationen des Problems mit fachfremden Wissen 20
21 Nachteile automatisierte Expertensystem können in machen Einsatzbereichen verheerende Auswirkungen erzielen (Bsp: militärische Abwehrsysteme, die nicht richtig betreut werden) Schwarzer Montag 1987 (Börsencrash): angeblich sollen ähnlich reagierende Computer Trader diesen Fall verstärkt haben 21
22 Fazit 22
23 Vielen Dank für die Aufmerksamkeit! 23
Teil II: Einstieg in Expertensysteme
Teil II: Einstieg in Expertensysteme Begriffsbestimmung: Was sind wissensbasierte Systeme? Die beiden Begriffe Expertensystem und wissensbasiertes System werden weitgehend synonym verwendet für Softwaresysteme,
MehrInhalt. Wissensbasierte Diagnose Entscheidungsbäume Bayes-Netze Fallbasiertes Schließen Funktionsorientierte Diagnose Modellbasierte Systeme
Inhalt 2 Wissensbasierte Diagnose 3 Diagnose bezeichnet hier das Rückschließen auf mögliche Ursachen, welche zu beobachtbaren Wirkungen führen. Heutige Diagnosesysteme haben gute Diagnosebasisfunktionen,
MehrKünstliche Intelligenz
George F. Luger 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Künstliche Intelligenz Strategien zur Lösung komplexer
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
MehrDaten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten)
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Wissensrepräsentation und -verarbeitung in klassischer Aussagenlogik: Entscheidungstabellen,
MehrKI Seminar Vortrag Nr. 9 Unsicheres Wissen. Einleitung. Grundlagen. Wissen Ansätze. Sicherheitsfaktoren. Ansatz Probleme. Schlussfolgerungsnetze
Einleitung KI Seminar 2005 Vortrag Nr. 9 Unsicheres 1 Motivation Vögel können fliegen! 2 : Zuordnung von Wahrheitswerten, Wahrscheinlichkeitsgraden,. zu Aussagen, Ereignissen, Zuständen, 3 3 Eigenschaften
Mehr11. Wissensbasierte Systeme
11. Wissensbasierte Systeme Prof. Dr. Rudolf Kruse University of Magdeburg Faculty of Computer Science Magdeburg, Germany rudolf.kruse@cs.uni-magdeburg.de S 11. Wissensbasierte Systeme 11.1 Schlussfolgern
MehrWissensbasierte Systeme
FH Wedel Prof. Dr. Sebastian Iwanowski WBS6 Folie 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 6: Wissensbasierte Diagnosemethoden im Vergleich FH Wedel Prof. Dr. Sebastian Iwanowski WBS6
Mehr2. Vorlesung Expertensysteme
Soft Control (AT 3, RMA) 2. Vorlesung Expertensysteme 2. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrZusammenfassung KI (von Marco Piroth)
Zusammenfassung KI (von Marco Piroth) Definition: KI ist das Teilgebiet der Informatik, das sich damit beschäftigt, menschliche, intelligente Verhaltensweisen auf einer Maschine nachzuvollziehen. Softwaretechnische
MehrObjektorientierte Bildverarbeitung Methodische Grundlagen
ARC GmbH Objektorientierte Bildverarbeitung Methodische Grundlagen Klaus Steinnocher, Florian Kressler klaus.steinnocher@arcs.ac.at Geschäftsfeld Umweltplanung ARC http://www.arcs.ac.at/s 1 ARC GmbH Einleitung!
MehrFuzzy-Logik basiertes Credit-Rating
Fuzzy-Logik basiertes Credit-Rating Zielsetzung des Fuzzy-Logik basierten Expertensystems (I) Überwindung der Nachteile moderner Rating-Verfahren durch Aufbau eines für den Anwender transparenten Systems
MehrEntwicklung und Einsatz von Expertensystemen
Karl Kurbel Entwicklung und Einsatz von Expertensystemen Eine anwendungsorientierte Einführung in wissensbasierte Systeme Mit 46 Abbildungen Springer-Verlag Berlin Heidelberg New York London Paris Tokyo
MehrWas bisher geschah. Aufgaben: Diagnose, Entscheidungsunterstützung Aufbau Komponenten und Funktion
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Wissensrepräsentation und -verarbeitung: Wissensbasis Kontextwissen Problemdarstellung fallspezifisches Wissen repräsentiert
MehrDer Einsatz von Promotions als Mittel der Verkaufsförderung
Mag. (FH) Katrin Voppichler, MSc Der Einsatz von Promotions als Mittel der Verkaufsförderung Eine Kosten-Nutzen-Analyse VDM Verlag Dr. Müller INHALTSVERZEICHNIS ABKÜRZUNGSVERZEICHNIS ABBILDUNGSVERZEICHNIS
MehrDokumentation Umgang mit und Beurteilung von Auszubildenden Berlin, 1./
Dokumentation Umgang mit und Beurteilung von Auszubildenden Berlin, 1./2.9. 2014 4 Dokumentation Umgang mit und Beurteilung von Auszubildenden Berlin, 1./2.9. 2014 5 Dokumentation Umgang mit und Beurteilung
MehrNorbert Wirth. Wer hat heute die Hoheit über die Daten der Märkte - und was bedeutet das für die Marktforschung?
Norbert Wirth Global Head of Data and Science GfK SE Wer hat heute die Hoheit über die Daten der Märkte - und was bedeutet das für die Marktforschung? Hat die Marktforschung die Hoheit über die Datengewinnung
MehrArtificial Intelligence. Deep Learning Neuronale Netze
Artificial Intelligence Deep Learning Neuronale Netze REVOLUTION Lernende Maschinen Mit lernenden Maschinen/Deep Learning erleben wir aktuell eine Revolution in der Informationsverarbeitung. Neue Methoden
Mehr4. Lernen von Entscheidungsbäumen
4. Lernen von Entscheidungsbäumen Entscheidungsbäume 4. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse
MehrMotivation und Geschichte. Geschichte der Logik Logik und Informatik
Motivation und Geschichte Geschichte der Logik Logik und Informatik Logik für Informatiker, M. Lange, IFI/LMU: Motivation und Geschichte Geschichte der Logik 12 Aufgaben der Logik Logik (aus Griechischem)
MehrKlinische Bewertung für Medizinprodukte inklusive Software
Klinische Bewertung für Medizinprodukte inklusive Software 13. Linzer Forum Medizintechnik 5.10.2016 Bundesministerium für Gesundheit und Frauen, Wien Klinische Bewertung Aufgaben des Herstellers Teil
MehrMaschinelles Lernen in der Medizintechnik
Maschinelles Lernen in der Medizintechnik Was ist möglich? ASTRUM IT GmbH Am Wolfsmantel 2 91058 Erlangen Dr. Jan Paulus Tel.: +49 9131 9408 339 jan.paulus@astrum-it.de Dr. Matthias Weidler Tel.: +49 9131
MehrMotivation und Geschichte. Geschichte der Logik Logik und Informatik
Motivation und Geschichte Geschichte der Logik Logik und Informatik Theoretische Informatik: Logik, M. Lange, FB16, Uni Kassel: 2.1 Motivation und Geschichte Geschichte der Logik 13 Aufgaben der Logik
MehrAgrarportale online, Schnittstellen, Datenhoheit und Datensicherheit
Agrarportale online, Schnittstellen, Datenhoheit und Datensicherheit Chancen und Risiken der Digitalisierung Westerstede, 27.04.2017 Prof. Dr. Michael Clasen Prof. Dr. Michael Clasen 27.04.2017 Seite 1
MehrSuche in Spielbäumen Projektvorschläge
Suche in Spielbäumen Projektvorschläge Nullsummenspiele sind Spiele mit zwei Spielern, bei denen der Vorteil des einen Spielers dem Nachteil des anderen Spieler entspricht. Im einfachsten Fall binär (Sieg
MehrPlanungsstrategien. Sven Tollmien WI 5011
Planungsstrategien Sven Tollmien WI 5011 Agenda Einleitung Grundlagen der Planung Klassische Planung STRIPS Regression Planbasiertes Planen POP Algorithmus Graphenbasiertes Planen Vergleich/Fazit Einleitung
MehrAutomatische Vergabe von RVK-Notationen mittels fallbasiertem Schließen. Magnus Pfeffer Universitätsbibliothek Mannheim
Automatische Vergabe von RVK-Notationen mittels fallbasiertem Schließen Magnus Pfeffer Universitätsbibliothek Mannheim Gliederung Motivation und Historie Verfahren Umsetzung Experimentelle Ergebnisse Nachnutzung
MehrWeb Engineering-Seminar Methoden zur Web Modellierung: Object-oriented Hypermedia Method (OO-H)
Web Engineering-Seminar Methoden zur Web Modellierung: Object-oriented Hypermedia Method (OO-H) Dominik Kirsten Daniel Schäferbarthold Trier, 21.01.2008 1 Gliederung 1. Einführung 1.1 Anforderungen an
MehrSemantik: Die Bedeutung sprachlicher Konstrukte
Semantik: Die Bedeutung sprachlicher Konstrukte Reinhard Moratz 17.12.2003 2 Heutige Themen 2 Heutige Themen Übersicht 2 Heutige Themen Übersicht Szenen und Frames Semantik Übersicht Übersicht 4 Verschiedene
MehrWoher Methoden der KI stammen Gebiete der Künstlichen Intelligenz wissensbasierte Systeme
Woher Methoden der KI stammen Gebiete der Künstlichen Intelligenz (induktives) Lernen Aus einer anwendungsorientierten Sicht spielen in der Künstlichen Intelligenz insbesondere folgende Gebiete eine Rolle:
MehrGliederung. 1. Kurzeinstieg 2. Warum ist die Semantik so wichtig? 3. OWL 4. GO 5. Übersetzung 6. Zusammenfassung 7. Quellen
Gliederung Gliederung 1. Kurzeinstieg 2. Warum ist die Semantik so wichtig? 3. OWL 4. GO 5. Übersetzung 6. Zusammenfassung 7. Quellen Marcus Lechner - Institut für Informatik Seite 1 Kurzeinstieg 1. Kurzeinstieg
MehrChancen und Risiken im landwirtschaftlichen Familienbetrieb
Magatrend Digitalisierung Chancen und Risiken im landwirtschaftlichen Familienbetrieb WiN-Fachtagung: Wendezeiten / Zukunft Arbeitsplatz Bauernhof 06.11.2017 in Haltern am See Prof. Dr. Michael Clasen
MehrProjektgruppe KIMAS. 1. Case-based Reasoning 2. Retrieval Li Liu. Case-based Reasoning. Gliederung
Projektgruppe KIMAS Case-based Reasoning 5.9.2003 Li Liu Gliederung 1. Case-based Reasoning 2. Retrieval 2.1 Fallrepräsentation 2.2 Ähnlichkeitsbestimmung 3. Revise 4. Reuse 5. Retain 6. Fazit Projektgruppe
MehrMedizinisches Beispiel
Problemstellung Stimmen zwei oder mehrere Beobachter in ihrer Einschätzung überein? (im engl.: rater agreement oder interrater agreement) Beispiel: Zwei Professoren beurteilen die Referate oder Seminararbeiten
MehrGeschriebene Sprache inhaltlich verstehen
Geschriebene Sprache inhaltlich verstehen Herausforderungen, Anwendungsmöglichkeiten, Potential IBM Developer Days 2014 Marcus Hassler, CEO & CTO econob GmbH 21.05.2014, Wien, AUT Informationssysteme Informationen
MehrKünstliche Intelligenz und automatische Wissensverarbeitung
Hermann Heibig Künstliche Intelligenz und automatische Wissensverarbeitung 2., stark bearbeitete Auflage U Verlag Technik Berlin Inhaltsverzeichnis 1 Überblick 11 1.1 Grundbegriffe, Gegenstand 11 1.2 Arbeitsgebiete
MehrData Mining auf Datenströmen Andreas M. Weiner
Technische Universität Kaiserslautern Fachbereich Informatik Lehrgebiet Datenverwaltungssysteme Integriertes Seminar Datenbanken und Informationssysteme Sommersemester 2005 Thema: Data Streams Andreas
MehrAnalyse, Modellierung und Simulation der visuell-räumlichen Kognition bei der Mensch-Maschine-Interaktion
Schriftenreihe Rationalisierung und Humanisierung Band 82 Carsten Winkelholz Analyse, Modellierung und Simulation der visuell-räumlichen Kognition bei der Mensch-Maschine-Interaktion D 82 (Diss.RWTH Aachen)
MehrSeminar Benchmarking von Unternehmen. Wedel, 4. Juni 2008 Jens Umland
Seminar Benchmarking von Unternehmen Wedel, 4. Juni 2008 Jens Umland Agenda Grundlagen Hintergründe des Benchmarking Arten des Benchmarking Zusammenfassung Agenda Grundlagen Benchmarking Unternehmen Grundlagen
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2009/2010 Musterlösung für das 9. Übungsblatt Aufgabe 1: Decision Trees Gegeben sei folgende Beispielmenge: Age Education Married Income Credit?
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Überwachtes Lernen: Entscheidungsbäume Literatur Stuart Russell und Peter Norvig: Artificial i Intelligence. Andrew W. Moore: http://www.autonlab.org/tutorials. 2 Überblick
MehrProgrammierparadigmen
Programmierparadigmen Paradigma = Denkweise oder Art der Weltanschauung klassische Einteilung: Programmiersprache imperativ deklarativ prozedural objektorientiert funktional logisch Zusammenhänge tatsächlich
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Musterlösung für das 7. Übungsblatt Aufgabe 1 Gegeben sei folgende Beispielmenge: Day Outlook Temperature Humidity Wind PlayTennis D1? Hot High Weak No D2 Sunny
MehrFragen zum Nachdenken: Wie könnte man das Fehlen eines Attribut-Wertes interpretieren?
Attribut-Werte-Paare Eine Eigenschaft kann beschrieben werden durch ein Paar [a,w]. Dabei bezeichnet a das Attribut und w den konkreten Wert aus dem Wertebereich W a des Attributs. Die Eigenschaften eines
MehrRESILIEN-TECH RESILIENCE BY DESIGN Strategie für die technologischen Zukunftsthemen
RESILIEN-TECH RESILIENCE BY DESIGN Strategie für die technologischen Zukunftsthemen Handlungsempfehlungen Prof. Dr. Klaus Thoma Fraunhofer Ernst-Mach-Institut, EMI 2. BMBF-Innovationsforum Zivile Sicherheit
MehrEDV-orientierte Betriebswirtschaftslehre
- Oh 2- August-Wilhelm Scheer 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. EDV-orientierte Betriebswirtschaftslehre
MehrModellgetriebene Entwicklungsprozesse in der Praxis - eine Bestandsaufnahme. Tillmann Schall, anaptecs GmbH
Modellgetriebene Entwicklungsprozesse in der Praxis - eine Bestandsaufnahme Tillmann Schall, anaptecs GmbH : Agenda Grundlagen modellgetriebener Entwicklungsprozesse Schritte zur Einführung Erfahrungen
MehrContinuous Integration mit VSTS Dieter Rüetschi
Continuous Integration mit VSTS Dieter Rüetschi (ruetschi@ability-solutions.ch) 1 2 Warum ist Continuous Delivery so wichtig? Geschwindigkeit schnell auf dem Markt Unterstützung und Teil des ALM 3 DevOps
MehrAnalyse und Evaluierung von Vorgehensweisen zur Erstellung von Mixed Reality-Anwendungen
Analyse und Evaluierung von Vorgehensweisen zur Erstellung von Mixed Reality-Anwendungen Diplomvortrag 06/10/2004 Übersicht Motivation Ziel der Diplomarbeit Vorgehensweise Ergebnisse Fazit 2 Motivation
MehrEinführung in Expertensysteme
Frank Puppe Einführung in Expertensysteme Zweite Auflage Mit 86 Abbildungen Springer-Verlag Berlin Heidelberg New York London Paris Tokyo HongKong Barcelona Budapest Inhaltsverzeichnis Teil I. Einführung
MehrFakultät für Wirtschaftswissenschaft
Fakultät für Wirtschaftswissenschaft Matrikelnr. Name Vorname KLAUSUR: Entwurf und Implementierung von Informationssystemen (32561) TERMIN: 02.03.2016, 14:00 16:00 Uhr PRÜFER: Univ.-Prof. Dr. rer. pol.
MehrSeminar Künstliche Intelligenz Wintersemester 2013/14
Seminar Künstliche Intelligenz Wintersemester 2013/14 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 31.10.2013 2 / 13 Überblick Teilgebiete der KI Problemlösen,
MehrProzessbasiertes Master Data Management für intralogistische Systeme. Thomas Karle PROMATIS software GmbH Berlin, 9. Mai 2012
Prozessbasiertes Master Data Management für intralogistische Systeme 1 Thomas Karle PROMATIS software GmbH Berlin, Agenda Problemstellung Generelle Anforderungen an ein Master Data Management (MDM) Einbettung
MehrProjektbericht. Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar
Business Intelligence Master Digitale Logistik und Management Projektbericht Evaluation und Ableitung von Ergebnissen anhand eines Fragebogens zur Studentensituation an der Hochschule Wismar Matthias Säger
MehrInformation und Produktion. Rolland Brunec Seminar Wissen
Information und Produktion Rolland Brunec Seminar Wissen Einführung Informationssystem Einfluss des Internets auf Organisation Wissens-Ko-Produktion Informationssystem (IS) Soziotechnisches System Dient
MehrTutorium 23 Grundbegriffe der Informatik (7. Sitzung)
Tutorium 3 Grundbegriffe der Informatik (7. Sitzung) Tutor: Felix Stahlberg SOFTWARE DESIGN AND QUALITY GROUP Source: pixelio.de KIT The cooperation of Forschungszentrum Karlsruhe GmbH and Universität
MehrPräsentation der Vertiefungsarbeit von Tobias Stumpp
Präsentation der Vertiefungsarbeit von Tobias Stumpp Agenda 1. 2. 3. 4. 5. 6. 7. 1. Experten Expertensysteme Motivation / Grenzen Eigenschaften und Architektur eines XPS Shells Was sind Experten? Sehr
Mehr3. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 3. Vorlesung Fuzzy Systeme Fuzzy Mengen 3. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrKurzfassung des schulinternen Lehrplans Informatik Q1 und Q2
Kurzfassung des schulinternen Lehrplans Informatik Q1 und Q2 Übersichtsraster Unterrichtsvorhaben Qualifikationsphase Q1 Unterrichtsvorhaben Q1-I Thema: Wiederholung und Vertiefung der objektorientierten
MehrObjektorientierte Modellierung (1)
Objektorientierte Modellierung (1) Die objektorientierte Modellierung verwendet: Klassen und deren Objekte Beziehungen zwischen Objekten bzw. Klassen Klassen und Objekte Definition Klasse Eine Klasse ist
MehrInductive Logic Programming Relational Data Mining
Hauptseminar Machine Learning Inductive Logic Programming Relational Data Mining Christoph Petzinger WS 2003/2004 Inhaltsverzeichnis 1 Relational Data Mining 3 2 Inductive Logic Programming 4 2.1 Prädikatenlogik.................................
Mehr3D-Druck Überblick von Einsatzmöglichkeiten im Handwerk. B. Eng. Anja Pfeuffer Telefon: Mail:
3D-Druck Überblick von Einsatzmöglichkeiten im Handwerk B. Eng. Anja Pfeuffer Telefon: 0931 30908-1168 Mail: a.pfeuffer@hwk-ufr.de Was kann ich mit 3D Druck herstellen? 2 Was ist mit 3D-Druck möglich Es
MehrInnovationslabor Semantische Integration von Webdaten
Innovationslabor Semantische Integration von Webdaten Workflow-basierte Datenintegration und Objekt-Matching Dr. Andreas Thor http://dbs.uni-leipzig.de/format Workflow-basierte Datenintegration Ausgangspunkt
MehrMethoden der Usability Evaluation
Florian Sarodnick / Henning Brau Methoden der Usability Evaluation Wissenschaftliche Grundlagen und praktische Anwendung 2., überarbeitete und aktualisierte Auflage Verlag Hans Huber Inhaltsverzeichnis
MehrKonstruktionsprinzipien eines Active Datawarehouse
Konstruktionsprinzipien eines Active Datawarehouse Stephan La Rocca Team GmbH Paderborn Schlüsselworte: automatische Kennzahlenanalyse, Rückführung ins operative System, Closed Loop, ECA (Event-Condition-Action),
MehrSoftware als Medizinprodukt im Reformprozess
Software als Medizinprodukt im Reformprozess 9. Augsburger Forum für Medizinprodukterecht Matthias Hölzer-Klüpfel Software für medizintechnische Geräte R&D Ausgaben 84 Mrd. 28 Mrd. Software 28 Mrd. 7 Mrd.
Mehr.consulting.solutions.partnership. webmethods AgileApps. From app zero to app hero in 29 minutes
.consulting.solutions.partnership webmethods AgileApps From app zero to app hero in 29 minutes Zusammenfassung Wir zeigen Ihnen die Power der cloudbasierten Lösung webmethods AgileApps womit wir eine Webapplikation
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrDigitaltechnik I WS 2006/2007. Klaus Kasper
Digitaltechnik I WS 2006/2007 Klaus Kasper Studium 6 Semester 5. Semester: Praxissemester im Anschluss: Bachelorarbeit 6. Semester: WPs Evaluation der Lehre Mentorensystem 2 Organisation des Studiums Selbständigkeit
MehrKapitel 2: Sortier- und Selektionsverfahren Gliederung
Gliederung 1. Laufzeit von Algorithmen 2. Sortier- und Selektionsverfahren 3. Paradigmen des Algorithmenentwurfs 4. Ausgewählte Datenstrukturen 5. Algorithmische Geometrie 6. Randomisierte Algorithmen
MehrEinführung in Managementinformationssysteme
Einführung in Managementinformationssysteme Sommersemester 2012 Arbeitsgruppe Wirtschaftsinformatik - Managementinformationssysteme - Prof. Dr. Hans-Knud Arndt Arbeitsgruppe Wirtschaftsinformatik Managementinformationssysteme
MehrPlanungsansätze aus der Künstlichen Intelligenz
Planungsansätze aus der Künstlichen Intelligenz Seminarvortrag Eingereicht von Betreuender Professor: Betreuender Assistent: Felix Heitbrock Matrikelnummer: 4013238 Prof. Dr.-Ing. Andreas Terstegge Dipl.-Inform.
MehrSPS. Speicherprogrammierbare Steuerungen vom Relaisersatz bis zum CIM-Verbund. Einführung und Übersicht. von Dipl.-Inf. Eberhard E. Grötsch, M. Sc.
SPS Speicherprogrammierbare Steuerungen vom Relaisersatz bis zum CIM-Verbund Einführung und Übersicht von Dipl.-Inf. Eberhard E. Grötsch, M. Sc. 2., verbesserte und erweiterte Auflage Mit 76 Bildern R.
MehrKodieren Von Graphen
Kodieren Von Graphen Allgemeine Anwendungen: Routenplaner Netzpläne Elektrische Schaltungen Gebäudeerkennung aus Luftaufnahmen Definitionen:? Graph Ein Graph G besteht aus einem geordneten Paar G = (V,E)
MehrCapturing Reality Hoch aufgelöste statische und dynamische Kartierung für hochautomatisiertes Fahren.
Capturing Reality Hoch aufgelöste statische und dynamische Kartierung für hochautomatisiertes Fahren www.joanneum.at/digital Wozu braucht mein Auto eine Karte? 2 Mensch als Fahrer: Karte wird zum Navigieren
MehrMethoden wissensbasierter Systeme
Christoph Beierle Gabriele Kern-Isberner Methoden wissensbasierter Systeme Grundlagen - Algorithmen - Anwendungen 2., überarbeitete und erweiterte Auflage vieweg ix Vorwort zur 2., erweiterten Auflage
Mehr6. VDE/ZVEI Symposium Mikroelektronik 2016
6. VDE/ZVEI Symposium Mikroelektronik 2016 Mikroelektronik: Schlüsseltechnologie für automatisiertes Fahren Helmut Matschi Auf dem Weg zum Hochautomatisierten Fahren - intelligent und vernetzt 20. September
MehrGraphen Jiri Spale, Algorithmen und Datenstrukturen - Graphen 1
Graphen 27 Jiri Spale, Algorithmen und Datenstrukturen - Graphen Motivation Einsatz: Berechnung von Entfernungen Auffinden von Zyklen in Beziehungen Ermittlung von Verbindungen Zeitmanagement Konzept:
MehrEinführung in Heuristische Suche
Einführung in Heuristische Suche Beispiele 2 Überblick Intelligente Suche Rundenbasierte Spiele 3 Grundlagen Es muss ein Rätsel / Puzzle / Problem gelöst werden Wie kann ein Computer diese Aufgabe lösen?
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
MehrVerbesserung der PatientInnensicherheit durch ein Risikomanagement für medizinische IT-Netzwerke
UMIT Private Universität für Gesundheitswissenschaften, Medizinische Informatik und Technik Institut für Medizinische Informatik Verbesserung der PatientInnensicherheit durch ein Risikomanagement für medizinische
MehrRingvorlesung Bildverarbeitung
Ringvorlesung Bildverarbeitung D. Schlesinger Institut für Künstliche Intelligenz, Professur Intelligente Systeme 6. Juli 2012 D. Schlesinger (Institut Ringvorlesung für Künstliche Bildverarbeitung Intelligenz,
MehrKapitel MK:V. V. Diagnoseansätze
Kapitel MK:V V. Diagnoseansätze Diagnoseproblemstellung Diagnose mit Bayes Evidenztheorie von Dempster/Shafer Diagnose mit Dempster/Shafer Truth Maintenance Assumption-Based TMS Diagnosis Setting Diagnosis
MehrAutonomes Fahren und KI
Autonomes Fahren und KI Kann eine autonom steuernde KI den normal reagierenden menschlichen Fahrer sicher ersetzen/übertreffen? Marco-Marcel Pechtold 19. Januar 2018 Inhaltsverzeichnis 1 Einleitung 2 2
MehrDie Produkthaftung für fehlerhafte medizinische Expertensysteme
Zoi Kardasiadou Die Produkthaftung für fehlerhafte medizinische Expertensysteme Eine Untersuchung unter Einbeziehung arzthaftungsrechtlicher Fragen Nomos Verlagsgesellschaft Baden-Baden Inhaltsverzeichnis
MehrBEISPIELAUFGABEN. ZENTRALE KLASSENARBEIT GYMNASIUM Schuljahrgang 6. Deutsch Teil A. erstmalig 2018
BEISPIELAUFGABEN ZENTRALE KLASSENARBEIT GYMNASIUM Schuljahrgang 6 Deutsch Teil A erstmalig 2018 Chris Priestley: Onkel Montagues Schauergeschichten Hinweise Grundsätze für die Konzeption der zentralen
Mehrfuzzy-entscheidungsbäume
fuzzy-entscheidungsbäume klassische Entscheidungsbaumverfahren fuzzy Entscheidungsbaumverfahren Entscheidungsbäume Was ist ein guter Mietwagen für einen Familienurlaub auf Kreta? 27. März 23 Sebastian
MehrEntscheidungsbäume aus großen Datenbanken: SLIQ
Entscheidungsbäume aus großen Datenbanken: SLIQ C4.5 iteriert häufig über die Trainingsmenge Wie häufig? Wenn die Trainingsmenge nicht in den Hauptspeicher passt, wird das Swapping unpraktikabel! SLIQ:
MehrInformationsmanagement mit Semantischen Netzen Dr. Günter Pees, SSG
Informationsmanagement mit Semantischen Netzen Dr. Günter Pees, SSG Inhalt Problembereich Informationsmanagement Lösungsansatz: Der Einsatz semantischer Technologien Referenzbeispiele: Wirtschaft/Öffentlicher
MehrAnalogie Methode. Methodenskript. Definition
Methodenskript Analogie Methode Definition Die Analogie Methode ist sehr vielseitig und gehört zu den Kreativitätstechniken. Sie dient dazu, auch unkonventionelle Ideen oder Problemlösungen zu generieren.
MehrGrundlagen 1: Modelle & Mengen
Angewandte Mathematik am Rechner 1 SOMMERSEMESTER 2018 > b c a de set S Kapitel 2 Grundlagen 1: Modelle & Mengen Frank Fischer Institut für Informatik frank.fscher@uni-mainz.de
Mehr7. Dynamische Datenstrukturen Bäume. Informatik II für Verkehrsingenieure
7. Dynamische Datenstrukturen Bäume Informatik II für Verkehrsingenieure Übersicht dynamische Datenstrukturen Wozu? Oft weiß man nicht von Beginn an, wieviele Elemente in einer Datenstruktur untergebracht
MehrProgrammierparadigmen A01 OOP. Programmierparadigmen
2013-10-09 Programmierparadigmen 1 185.A01 OOP Programmierparadigmen 2013-10-09 Programmierparadigmen 2 OOP Klassische Programmierparadigmen Paradigma = Denkweise oder Art der Weltanschauung klassische
MehrWichtig!! Strukturelle Relationen. Grundlegende Begriffe. Dominanz. Dominanz
Wichtig!! Strukturelle Relationen Die mathematischen Eigenschaften von Phrasenstrukturbäumen Dieser bschnitt ist der am stärksten technische der Vorlesung Versuchen Sie, die ITUITIVE Idee hinter den Definitionen
MehrWas erwarten Patienten im Zeitalter des Internet von Ihrem Arzt?
Was erwarten Patienten im Zeitalter des Internet von Ihrem Arzt? Apple, Google & Co. Winterkonferenz, Bayerische TelemedAllianz, München, 05.12.2015 Dr. rer. pol. Ilona Köster-Steinebach Inhaltsübersicht
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Überwachtes Lernen: Entscheidungsbäume
INTELLIGENTE DATENANALYSE IN MATLAB Überwachtes Lernen: Entscheidungsbäume Literatur Stuart Russell und Peter Norvig: Artificial Intelligence. Andrew W. Moore: http://www.autonlab.org/tutorials. 2 Überblick
MehrAdaptive Tutorsysteme
Adaptive Tutorsysteme Definitionen: Adaptierbare Systeme bieten Konfigurationsmöglichkeiten, so dass der Benutzer das System sich an seine Bedürfnisse anpassen kann. Vorteil: Einfach zu implementieren
Mehr